Reconocimiento de intenciones de movimiento sEMG sin calibración mediante preentrenamiento autosupervisado y...

Área de la Ciencia:

• Ingeniería Biomédica
• Robótica
• Aprendizaje Automático

Sus antecedentes:

• La electromiografía de superficie (sEMG) es crucial para controlar la robótica de rehabilitación.
• El reconocimiento sin calibración de la intención de movimiento de la extremidad superior a partir de sEMG es un desafío importante.

Objetivo del estudio:

• Desarrollar un marco unificado para el reconocimiento preciso y sin calibración de la intención de movimiento de la extremidad superior basado en sEMG.
• Mejorar la portabilidad y escalabilidad de las interfaces sEMG para la robótica de rehabilitación.

Principales métodos:

• Un marco unificado que combina preentrenamiento temporal-espectral autosupervisado y alineación de dominios adversarios.
• Modelado temporal-espectral enmascarado para el aprendizaje de características invariantes al sujeto.
• Alineación de dominios de reversión de gradiente para la generalización entre sujetos y entre conjuntos de datos.

Principales resultados:

• Logró una precisión del 89,4 % (dejando a un sujeto) en NinaPro DB2 y del 86,9 % en CapgMyo DBa.
• Demostró una precisión de transferencia entre conjuntos de datos del 82,1 % (DB2→DBa) y del 83,5 % (DBa→DB2).
• Se encontró que la autosupervisión y la alineación adversaria eran complementarias, con un rendimiento robusto bajo perturbaciones.

Conclusiones:

• El marco propuesto ofrece una interfaz sEMG escalable, portátil y lista para usar para la rehabilitación de extremidades superiores.
• Este enfoque mejora significativamente el reconocimiento de intenciones de movimiento sin calibración, avanzando en la robótica de rehabilitación.
• El método muestra una gran promesa tanto para aplicaciones de rehabilitación clínica como en el hogar.